Data entry in ERP o WMS da documenti di logistica

——  COMUNICAZIONE AZIENDALE  ——

In una corretta gestione della supply chain, un ruolo chiave viene esercitato dai dati: le aziende non sempre hanno una piena comprensione dei dati generati internamente, e di conseguenza non hanno una visione chiara e completa delle loro operazioni. Questo accade spesso per le attività di data entry in ERP o WMS da documenti di logistica: la grande mole di informazioni e l’intrecciarsi di sistemi gestionali differenti può portare facilmente all’errore umano, che è sempre in agguato dietro l’angolo.

Quanto detto sinora sembra avere un denominatore comune: l’importanza dei dati.

Ciò può essere causato dalla ridondanza o dell’incongruenza dei dati, dall’assenza di comunicazione tra i diversi dipartimenti e team, da sistemi diversi e non collegati tra loro – che possono generare silos di dati (dati o sistemi di dati isolati che non sono in grado di funzionare reciprocamente con altri sistemi che dovrebbero esservi collegati). Di conseguenza, i dati non possono passare facilmente da un reparto all’altro dell’organizzazione.

Le soluzioni a questi problemi possono essere due: o si sceglie di aumentare i costi delle risorse umane per avere più occhi a disposizione in modo da ridurre la percentuale di errore, mantenendo però inalterati o addirittura allungando i tempi di completamento del task, oppure si sceglie una soluzione tecnologica innovativa e scalabile.
Nello spirito dell’innovazione continua, Wenda ha optato per la seconda strada!

La soluzione individuata da Wenda fa leva sul paradigma del Machine Learning, che in aggiunta alla tecnologia OCR si rivela un binomio perfetto per automatizzare la lettura dei documenti di spedizione.
Da un lato, la tecnologia OCR – dall’inglese Optical Character Recognition, che sta per riconoscimento ottico dei caratteri – rileva i caratteri contenuti in un documento e li predispone al trasferimento in testo digitale leggibile.

Dall’altro, gli algoritmi intelligenti di Wenda identificano e classificano quel testo digitale, in modo da trasformarlo in informazioni.

Il processo è il seguente: alla lettura automatica dei documenti di trasporto segue il data entry automatico in un ERP o un WMS.
Questo consente di risparmiare grandi quantità di tempo di back office degli operatori che devono leggere i documenti e trascrivere i dati nei gestionali, e consente anche di abbattere severamente la percentuale di errori (oggi si arriva a ottenere una precisione di lettura e trascrizione del testo del 93%, e i modelli di Machine Learning sono in apprendimento continuo).
I dati raccolti possono anche essere resi visibili e disponibili a fornitori e clienti in un’ottica collaborativa, al fine di ottenere una migliore esecuzione delle fasi di logistica

Ma andiamo a vedere nel concreto come funziona questo processo descritto astrattamente!

Configurazione Active Documents

Immaginiamo che il task sia quello di collegare una casella di posta elettronica a un ERP, in modo da essere in grado di leggere e interpretare automaticamente le packing list che arrivano come allegato via mail e di inserire automaticamente nell’ERP aziendale i dati contenuti in queste packing list.

Si inizia inserendo una fonte di input (la casella di posta elettronica) e si procede selezionando una destinazione dove riceveremo gli output (l’ERP).
Si seleziona la tipologia di documento – una packing list – e si istruisce Active Documents in modo che legga sia il testo della e-mail sia gli allegati PDF.
Adesso si può caricare la packing list.

Gli algoritmi intelligenti di Machine Learning hanno identificato, estratto e classificato le informazioni che si trovano all’interno della packing list.
Ora la prima configurazione è completa, ma qualcosa accade anche nel backend: stiamo caricando un DDT.
Gli algoritmi intelligenti di Machine Learning hanno già creato una tabella: adesso facciamo un confronto con il documento originale e la tabella che gli algoritmi hanno creato.

Campi identificati dagli algoritmi di Machine Learning, che hanno identificato, estratto e classificato le informazioni dal DDT

Sono stati identificati tutti i campi che si trovano nel documento e sono state individuate tutte le informazioni che corrispondono a questi campi – il tipo di documento, il numero di colli, il peso totale della merce.
La lettura automatica e l’estrazione dei dati vengono fatte su tutto il documento, quindi includendo anche i dati di testata e le righe di dettaglio.

È ormai chiaro a tutte le aziende di logistica che lavorano con grandi quantità di documenti che gestire ogni giorno e-mail e documenti per copiare i dati in altri sistemi richiede tanto tempo. Grazie alla tecnologia di Machine Learning, alla tecnologia OCR, il back-office potrà però dedicarsi a svolgere attività a valore aggiunto, senza perdere tempo!

D’altronde, come indica Gartner, entro il 2022, il 65% delle organizzazioni che hanno implementato la Robotic Process Automation, vale a dire l’automazione di processi lavorativi utilizzando software “intelligenti” che possono eseguire in modo automatico le attività ripetitive degli operatori, introdurrà anche l’AI, compresi il Machine Learning e gli algoritmi intelligenti per processare il linguaggio umano.

Questo consentirà alle stesse aziende di ridurre i costi operativi del 30% entro il 2024.

È ora di fare un salto nel futuro, con Wenda!

ISCRIVITI ALLA NEWSLETTER GRATUITA DI SUPPLY CHAIN ITALY